System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于天文领域,具体涉及一种基于地基的全天空图像云量计算方法和系统。
技术介绍
1、目前云量计算主要采用卫星探测和地基全天空云量相机监测等方式。卫星探测的优势在于数据获取方便、多波段探测和长周期的数据积累。然而,基于卫星探测的云量计算受限于探测图像的空间分辨率和时间分辨率,一般站点上空的云量在图像中仅被几个像素所覆盖,并且探测的时间间隔为天或小时的量级。而基于地基的全天空相机具有稳定的性能和实时监测等特点,因而被广泛应用于各个台址的云量计算和评价中。随着计算机技术和大数据处理技术的发展,云量计算方法也逐渐从传统的人工观测转向自动化和智能化处理。主要包括阈值法、聚类法、机器学习和深度学习等云量计算方法。
2、深度学习是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。至今,已有数种深度学习框架被应用在计算机视觉、图像分割、自然语言处理等领域,并获取了极好的效果。近些年来一部分国内外专家学者基于深度学习相关技术开展云检测方面的研究。
3、深度学习是一种在本专利技术中用于云检测层的算法,旨在通过多层复杂结构和非线性变换提取高层次的云特征。深度学习在计算机视觉、图像分割和自然语言处理等领域已经取得了显著的成果。然而,对于全天空相机所拍摄的云图而言,由于云层的复杂性和光线强度的不均匀性,深度学习的分割准确度会受到很大的影响。随着云层复杂度的增加,分割准确度变得越来越困难,可能会出现过度分割或不足分割的情况。此外,现有的语义分割模型只对特定场景有较高的准确率,对于全天空图像的
技术实现思路
1、为了克服现有技术存在的上述问题,本专利技术提供一种基于地基的全天空图像云量计算方法和系统,用于解决现有技术中存在的上述问题。
2、一种基于地基的全天空图像云量计算方法,包括如下步骤:
3、s1.采集基于地基的全天空图像并进行预处理、标注和增强;
4、s2.将增强后的图像数据采用包括改进的u-net模型的云检测模型进行训练,得到预测矩阵;
5、s3.对所述预测矩阵进行分割确定出云像素的比例,从而确定出相应的云量。
6、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述s1中的预处理包括:对所述全天空图像内的云对象进行内切圆裁剪,使云对象的上下左右边界与图像的边界相切、对位深度统一调成24,大小统一调整为256*256大小。
7、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述s1中的标注具体包括:将预处理后得到的图像中的云对象采用闭合曲线标记,曲线内是云对象,其它部分是天空对象,并将云对象设置为白色,天空对象设置为黑色。
8、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述s1中的增强具体包括:将标注后的图像进行旋转、平移和错切变换操作,得到增强后的图像数据。
9、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述s2中所述改进的u-net模型的云检测模型为基于cwff特征提取结构的云检测模型。
10、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述基于cwff特征提取结构的云检测模型包括十层,前四层为编码网络,其中,第一层为输入层,包括一个传统卷积层和两个cwff特征提取结构;第二至第四层分别包括两个cwff特征提取结构和一个最大池化层;第五层包括两个cwff特征提取结构和一个随机失活层;第六至九层为解码网络,分别包括两个cwff特征提取结构和一个上采样层;第十层将上一层特征层转换为预测矩阵。
11、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述cwff特征提取结构的操作,具体包括如下步骤:
12、(1)对输入层输入的图像数据进行全局平均池化;
13、(2)将全局平均池化后的图像数据压缩成一维的特征向量;
14、(3)使用全连接层,将一维特征向量映射到通道相关性权重,全连接层将每个通道之间的相关性编码为权重值;
15、(4)将输入特征层与权重值相乘分配权重,增强重要通道的特征表示;
16、(5)对分配权重的特征层采取三次特征提取,每次分别包括一个卷积和正则化操作用以提取图像特征;
17、(6)将初始未经过加权的输入特征层与最终提取到的图像特征相加得到提取后的特征矩阵。
18、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述s3包括:
19、s31.预测矩阵中每个单元包括两列,第一列代表为天空像素的概率,第二列代表云像素的概率;对预测矩阵中的每个单元进行阈值分割,将预测矩阵中云像素概率大于所述阈值的元素置为(0 1),将小于等于所述阈值的元素置为(1 0);
20、s32.设置二维单位列矩阵与预测矩阵中每个单元相乘;
21、s33.经过s32处理后的预测矩阵的每个单元只有一列即非0即1,0代表天空像素,1代表云像素;
22、s34.计算云像素在全天空图像中的百分比。
23、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述百分比的计算方式为:计算云像素点所占内切圆比例,对特征矩阵内的所有云像素点进行求和,然后除以正方形矩阵内切圆像素点的数量得到。
24、本专利技术还提供了一种基于地基的全天空图像云量计算系统,所述系统用于实现所述的计算方法,包括:
25、预处理模块,采集基于地基的全天空图像进行预处理、标注和数据增强;
26、云检测模块,用于将增强后的图像数据进行训练,得到预测矩阵;
27、云量计算模块,用于对所述预测矩阵进行分割确定出云像素的比例,从而确定出相应的云量。
28、本专利技术的有益效果
29、与现有技术相比,本专利技术有如下有益效果:
30、本专利技术基于地基的全天空图像云量计算方法,包括如下步骤:在预处理阶段,首先对图像内的云对象进行内切圆裁剪,使云对象的上下左右边界与图像的边界相切、对位深度统一调成24等操作;将数据集中的天空和云进行标注。所述标注包括将图像中的云对象采用闭合曲线标记,其它部分是天空对象,并将云对象设置为白色,天空对象设置为黑色;通过标注后的图像进行旋转、平移和错切变换操作得到图像数据。在云检测阶段,将所述数据集中采用基于cwf本文档来自技高网...
【技术保护点】
1.一种基于地基的全天空图像云量计算方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于地基的全天空图像云量计算方法,其特征在于,所述S1中的预处理包括:对所述全天空图像内的云对象进行内切圆裁剪,使云对象的上下左右边界与图像的边界相切、对位深度均为24,大小均为256*256。
3.根据权利要求2所述的基于地基的全天空图像云量计算方法,其特征在于,
4.根据权利要求3所述的基于地基的全天空图像云量计算方法,其特征在于,所述S1中的增强具体包括:将标注后的图像进行旋转、平移和错切变换操作,得到增强后的图像数据。
5.根据权利要求2所述的基于地基的全天空图像云量计算方法,其特征在于,所述S2中所述改进的U-Net模型的云检测模型为基于CWFF特征提取结构的云检测模型。
6.根据权利要求5所述的基于地基的全天空图像云量计算方法,其特征在于,所述基于CWFF特征提取结构的云检测模型包括十层,前四层为编码网络,其中,第一层为输入层,包括一个传统卷积层和两个CWFF特征提取结构;第二至第四层分别包括两个CWFF特征提取结构
7.根据权利要求5所述的基于地基的全天空图像云量计算方法,其特征在于,
8.根据权利要求7所述的基于地基的全天空图像云量计算方法,其特征在于,所述S3包括:
9.根据权利要求8所述的基于地基的全天空图像云量计算方法,其特征在于,所述百分比的计算方式为:计算云像素点所占内切圆比例,对特征矩阵内的所有云像素点进行求和,然后除以正方形矩阵内切圆像素点的数量得到。
10.一种基于地基的全天空图像云量计算系统,其特征在于,所述系统用于实现权利要求1-9任一项所述的计算方法,包括:
...【技术特征摘要】
1.一种基于地基的全天空图像云量计算方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于地基的全天空图像云量计算方法,其特征在于,所述s1中的预处理包括:对所述全天空图像内的云对象进行内切圆裁剪,使云对象的上下左右边界与图像的边界相切、对位深度均为24,大小均为256*256。
3.根据权利要求2所述的基于地基的全天空图像云量计算方法,其特征在于,
4.根据权利要求3所述的基于地基的全天空图像云量计算方法,其特征在于,所述s1中的增强具体包括:将标注后的图像进行旋转、平移和错切变换操作,得到增强后的图像数据。
5.根据权利要求2所述的基于地基的全天空图像云量计算方法,其特征在于,所述s2中所述改进的u-net模型的云检测模型为基于cwff特征提取结构的云检测模型。
6.根据权利要求5所述的基于地基的全天空图像云量计算方法,其特征在于,所述基于cwff特征提取结构的云检...
【专利技术属性】
技术研发人员:刘立勇,车蕾,李磊磊,张洪瑞,侯彦,
申请(专利权)人:中国科学院国家天文台,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。